Hvis du synes, der er sket meget med AI den seneste uge, så er det ikke bare dig.

OpenAI og Anthropic har begge lanceret nye modeller, en ny type AI-model er blevet den hurtigst adopterede nogensinde på Vercels AI Gateway, Claude har været med til at finde et hidtil ukendt enzymsystem, Google har åbnet AI-video for langt flere brugere og Meta vil putte sin AI-agent i lommen på dig.

Samtidig fylder spørgsmålet om, hvor meget vi egentlig tør lade AI gøre selv, mere og mere.

I går rykkede den diskussion helt ind i FN’s Sikkerhedsråd.

Her får du ugens vigtigste AI-nyheder og mit bud på, hvad der er værd at holde særligt øje med.

OpenAI har udvidet GPT-6-familien med to nye modeller, GPT-6 Sol og GPT-6 Luna. De ligger under den kraftigste model, GPT-6 Astra, men de er lavet til forskellige typer arbejde.

Den nemmeste måde at forstå forskellen på er sådan her:

Luna er den hurtige arbejdshest. Brug den til mindre og klart afgrænsede opgaver, hvor du ikke har brug for, at AI bruger lang tid på at tænke. Det kan være at sortere information, udtrække data, lave mindre rettelser, kategorisere henvendelser eller køre automatiseringer, der skal gentages mange gange.

Sol er den model, jeg ville vælge til størstedelen af mit almindelige arbejde. Den er lavet til opgaver, hvor der skal mere dømmekraft til, eksempelvis research, skrivning, analyse, kodning og workflows med flere trin. Den kan også skrues op i reasoning, når du har en opgave, hvor den skal tænke grundigere og kontrollere sit arbejde. OpenAI beskriver selv Sol som deres “everyday driver”.

Astra er stadig modellen til de tungeste opgaver. Hvis du har en kompleks analyse, et stort projekt eller en opgave med mange ubekendte, hvor kvalitet betyder mere end hastighed og pris, er det her, den giver mening.

Sol har samtidig fået nogle af de egenskaber, der tidligere var forbeholdt de tungere modeller. Den kan blandt andet arbejde med web, filer, kode, computerbrug og andre værktøjer, og den har et context window på over en million tokens.

Prisen er også faldet markant. GPT-6 Sol koster $2 pr. million inputtokens og $10 pr. million outputtokens i API’et, mens Luna ligger på $0,10 og $0,50. Det betyder især noget for virksomheder, der bruger modellerne i større workflows og automatiseringer.

Det betyder

Hvis du sidder i ChatGPT og bare vil vide, hvilken model du skal vælge, ville jeg gøre det ret simpelt.

Brug Luna, når opgaven er enkel og veldefineret. Brug Sol til langt størstedelen af dit daglige vidensarbejde. Gem Astra til de opgaver, hvor du virkelig har brug for den tungeste model.

Du behøver altså ikke automatisk vælge den største model hver gang.

Samme uge lancerede Anthropic Claude Opus 5.5.

Opus 5.5 er Anthropics nye førende model og er især rettet mod komplekst arbejde, lange opgaver, kodning og agentiske workflows. Anthropic siger, at modellen på de fleste opgaver nu præsterer på niveau med Claude Fable 5.1, samtidig med at den typisk koster omkring 40 procent mindre at køre end den tidligere Opus 5.

Den er også mere end 30 procent hurtigere end Opus 5, men noget af det, jeg selv synes er mest relevant for almindelige brugere, er, at Anthropic specifikt har arbejdet med måden, Claude kommunikerer på.

Anthropic siger, at Opus 5.5 skriver mere naturligt, kommer hurtigere til det vigtigste og er lettere at arbejde sammen med over længere sessioner. Det er selvfølgelig Anthropics egen vurdering, men det rammer et område, hvor mange bruger Claude netop til længere skrive-, research- og arbejdsprocesser.

Der er også skruet op for sikkerheden. Ifølge Anthropics egne tests er Opus 5.5 mindre tilbøjelig til at udføre handlinger, der er svære at rulle tilbage, bedre til at holde sig inden for de rammer, den har fået, og mere modstandsdygtig over for prompt injection end Opus 5.

Det betyder

Hvis du allerede bruger Claude til research, større dokumenter, analyse, kodning eller længere projekter, ville jeg klart teste Opus 5.5 på de opgaver, hvor du normalt har brug for mest kvalitet.

Jeg ville især prøve den på en opgave, du allerede har løst med en tidligere Claude-model. Så bliver det langt nemmere at vurdere, om du reelt får et bedre resultat, eller bare en nyere model.

Og hvis du skifter mellem ChatGPT og Claude, ville jeg heller ikke gøre det til et spørgsmål om at vælge én vinder. Jeg ville teste GPT-6 Sol og Claude Opus 5.5 på dine egne vigtigste workflows og se, hvilken der fungerer bedst til den konkrete opgave. Benchmarks er fine, men dit eget arbejde er en langt bedre test.

En af ugens historier, jeg synes er mest spændende, kommer fra et langt mindre kendt navn.

TypeSafe AI har bygget Jev, som ikke prøver at være som de andre chatbots.

Den er lavet til at træffe hurtige, strukturerede beslutninger inde i software og workflows. Den kan fx vælge, hvilket værktøj en agent skal bruge, vurdere risiko eller beslutte, om et workflow skal fortsætte, stoppe eller sendes videre til et menneske.

Da Jev blev lanceret på Vercels AI Gateway, blev den den hurtigst adopterede model i platformens historie. Efter 24 timer brugte næsten 13 procent af de betalende teams modellen. Det var mere end dobbelt så mange som GPT-5.6-familien havde nået i samme tidsrum.

Hvorfor synes jeg, den er spændende?

Vi har brugt meget af AI-bølgen på modeller, der kan løse utrolig mange forskellige opgaver.

Jev viser, hvor stort og spændende markedet for mere specialiserede modeller også kan blive.

Du behøver ikke en stor frontier-model til at beslutte, om en supporthenvendelse handler om fakturering eller teknisk hjælp. Her kan en mindre specialiseret model være både hurtigere og billigere.

Jeg tror, vi kommer til at se langt mere af den type modelvalg, når virksomheder begynder at bygge AI længere ind i deres arbejdsgange.

Den her historie fortjener lidt mere opmærksomhed end overskriften “AI har lavet forskning”.

Anthropic offentliggjorde i går de første resultater fra sin nye life sciences-gruppe og sit eget laboratorium.

Claude blev sat til at søge gennem en stor database med DNA-sekvenser efter interessante mønstre. Omkring 950 Claude-agenter arbejdede parallelt i 21 timer og brugte 210 millioner tokens.

En af agenterne fandt et usædvanligt mønster af gentagne DNA-sekvenser ved siden af et gen. Efter yderligere analyse og forsøg i laboratoriet identificerede forskerne et hidtil ukendt enzymsystem, som de kalder ART. Systemet har egenskaber, der minder om CRISPR.

Det er vigtigt ikke at springe direkte til, at Claude har “opfundet den næste CRISPR”. Det ved vi ikke. Anthropic skriver selv, at systemets primære funktion endnu ikke er fuldt forstået.

Det, jeg synes er mest spændende her, er arbejdsdelingen.

AI bliver ikke kun brugt til at opsummere forskning, der allerede findes.

Her blev Claude-agenter sat til at lede efter mønstre og interessante kandidater i enorme mængder biologiske data, hvorefter mennesker vurderede fundene og testede dem fysisk i laboratoriet.

Det giver et ret konkret billede af, hvordan AI kan komme længere ind i selve forskningsprocessen.

Den her historie udvikler sig stadig.

Australiens premierminister Anthony Albanese har oplyst, at en OpenAI-agent i juni fik uautoriseret adgang til Australiens Medicare Statistics Reporting Service.

Agenten fik adgang til både offentlige og ikke-offentlige filer. Ifølge den australske regering er der ikke tegn på, at personlige Medicare-oplysninger blev tilgået. De ikke-offentlige oplysninger beskrives som aggregerede data og ikke personfølsomme oplysninger.

Der er samtidig kommet nye oplysninger frem i dag.

ABC har fundet offentlige logs, der ser ud til at vise OpenAI-agenter diskutere metoder til at omgå cyberforsvar og få adgang til australske myndighedsdata. Det er endnu ikke bekræftet, at netop den aktivitet er den samme som Medicare-hændelsen.

Albanese kritiserer også OpenAI for først at underrette de australske myndigheder omkring tre måneder efter hændelsen.

Her bliver governance meget konkret.

Når AI går fra at svare i et chatvindue til at få adgang til browsere, systemer, data og værktøjer, ændrer risikobilledet sig.

Hvilke systemer må agenten tilgå? Hvilke handlinger må den udføre? Hvornår skal et menneske godkende? Hvad bliver logget? Hvad sker der, hvis agenten bevæger sig uden for den ramme, vi havde tænkt os?

Det er spørgsmål, langt flere virksomheder får brug for konkrete svar på.

Google har haft sin egen version af det problem.

Under en cybersikkerhedstest i maj fik Gemini adgang til systemer hos tre virkelige virksomheder, som ikke var en del af testen.

Gemini fandt offentligt tilgængelige oplysninger og brugte eller gættede credentials til websites, som modellen fejlagtigt vurderede lå inden for testens rammer. Google har bekræftet hændelserne. I alle tre tilfælde stoppede modellen, da den fandt ud af, at virksomhederne var virkelige.

Det er en vigtig nuance. Modellen fik en offensiv cybersikkerhedsopgave. Problemet var blandt andet, at den ikke holdt sig inden for den tilladte ramme.

Det er præcis derfor, et mål ikke er nok, når vi bygger agents.

Hvis du beder en agent finde sikkerhedsproblemer, skal systemet også vide, hvilke systemer den må røre, hvilke værktøjer den må bruge, og hvornår den skal stoppe.

Adgangskontrol, logging, afgrænsning og menneskelig godkendelse bliver en del af selve løsningen.

Det her er en af ugens historier, jeg synes er værd at stoppe lidt op ved.

I går 23. september blev FN’s Sikkerhedsråd briefet om AI og international sikkerhed af blandt andre Sam Altman fra OpenAI og Dario Amodei fra Anthropic. AI-forskeren Yoshua Bengio deltog også i mødet.

Amodei advarede om, at dårligt håndteret AI kan udvikle sig til en risiko for menneskeheden, mens Altman argumenterede for internationalt samarbejde og sagde, at de vigtigste beslutninger om AI ikke kan træffes af nogle få laboratorier alene.

Der er samtidig stor politisk uenighed om, hvordan det samarbejde skal se ud. Den amerikanske regering har afvist forslag om international AI-kontrol, mens flere af AI-selskaberne efterlyser tættere koordinering mellem lande.

For få år siden handlede meget af AI-debatten om chatbots, produktivitet og jobs.

Nu sidder lederne af nogle af verdens største AI-laboratorier foran FN’s Sikkerhedsråd og diskuterer teknologien som et spørgsmål om international sikkerhed.

Timingen er også svær at overse.

Samtidig med diskussionen om kontrol med mere autonome AI-systemer får vi konkrete historier om agents, der bevæger sig uden for den ramme, de skulle arbejde indenfor.

Hændelserne kan ikke sammenlignes direkte med de langsigtede risici, der blev diskuteret i FN. Men de gør spørgsmålet om kontrol med agentisk AI langt mindre abstrakt.

Meta præsenterede i går Meta Charm, en lille 5G-enhed omtrent på størrelse med et AirPods-etui med en cirka to tommer touchskærm.

Den er bygget til Muse, Metas nye personlige AI-agent, og kan blandt andet hænge i en nøglering. Meta forventer at sende den på markedet i december.

Muse er næsten mere spændende at tale om end selve hardwaren.

Meta beskriver agenten som et system, der blandt andet kan bruge en browser, udfylde formularer, sende mails og foretage handlinger på brugerens vegne.

Det er endnu et tegn på, at AI virkelig udvikler sig

Hvis personlige agents skal være noget, vi bruger gennem hele dagen, giver det god mening, at virksomhederne også begynder at eksperimentere med hardware, hvor AI er selve produktet frem for endnu en app på telefonen.

Om vi så har lyst til at gå rundt med endnu en dims i lommen, er en anden sag.

Google har gjort Gemini Omni 1.1 tilgængelig direkte i Google Vids og åbnet for AI-genererede videoer i 1080p.

Personlige Google-konti kan nu bruge AI-funktionerne i Vids gratis, og Omni kan blandt andet generere nye scener, forlænge eksisterende klip og styre varigheden mere præcist. AI-genererede klip får et digitalt watermark.

Det er især værd at holde øje med for kommunikations- og marketingteams.

AI-video er ved at flytte sig fra specialiserede værktøjer til software, som langt flere allerede har adgang til.

Det gør ikke automatisk indholdet godt. Til gengæld bliver vejen fra idé til første udkast markant kortere, og det gør det lettere at teste formater, versioner og vinkler uden en stor produktion hver gang.

Google lancerede samtidig Gemini 3.8 Flash TTS og Flash-Lite TTS.

Det er nye text-to-speech-modeller, hvor du blandt andet kan skabe og beskrive stemmer med almindeligt sprog og styre levering, tempo og følelser mere detaljeret. Modellerne kan bruges via blandt andet Gemini API, Google AI Studio og Google Vids.

Vi har efterhånden vænnet os til generativ AI til tekst og billeder. Nu bliver video, stemme og lyd også langt lettere at programmere ind i produkter og workflows.

For virksomheder åbner det blandt andet for dubbing, voiceovers, personaliseret lyd og stemmebaserede interfaces uden samme produktionsapparat som tidligere.

Cursor lancerede i går to nye bots, Rollouts og Security Review.

Rollouts følger en kodeændring fra pull request til produktion og holder øje med, om ændringen skaber problemer. Finder den en regression, kan den blandt andet gøre udvikleren opmærksom på problemet, oprette et forslag til en revert eller sende opgaven videre til en cloud agent.

Den ruller ikke selv ændringen tilbage uden godkendelse i dag.

Security Review gennemgår kodeændringer for konkrete sikkerhedsproblemer som SQL-injection, problemer med authentication og authorization, credentials i kildekoden og kendte sårbarheder i dependencies.

Det siger noget om, hvor hurtigt coding agents bevæger sig.

Først skrev AI kode sammen med dig, så fik vi agenter, der kunne løse større kodeopgaver selv og nu begynder de også at følge arbejdet videre gennem deployment og sikkerhed.

Cursor kalder selv retningen “self-driving codebases”.

Det er værd at huske, næste gang diskussionen om AI og softwareudvikling kun handler om, hvor hurtigt modellen kan skrive kode.

AI-udviklingen foregår selvfølgelig ikke kun hos de amerikanske selskaber.

Alibaba er en af Kinas største teknologivirksomheder og er især kendt for e-handel, men selskabet har også bygget en stor cloud- og AI-forretning. Det er bl.a. Alibaba, der står bag Qwen, en familie af AI-modeller, som er blevet en vigtig del af den kinesiske AI-udvikling.

Nu har Alibaba præsenteret planer for kommende Qwen-modeller på mellem 5 og 10 billioner parametre og samtidig annonceret sin nye Zhenwu V900 AI-chip.

Ifølge Alibaba leverer chippen tre gange ydelsen fra forgængeren og ventes i masseproduktion i begyndelsen af 2027. Selskabet vil samtidig udvide sin globale datacenterkapacitet til mere end 20 GW frem mod 2032.

Det spændende er nu, hvor mange dele af teknologien Alibaba selv investerer i.

De bygger modeller, udvikler egne chips og udvider den datacenterkapacitet, der skal få det hele til at køre. Det sker samtidig med, at kinesiske teknologivirksomheder forsøger at blive mindre afhængige af amerikanske chips og anden AI-infrastruktur.

Hvis du primært følger OpenAI, Anthropic og Google, er Alibaba og Qwen værd at kende lidt til. En stadig større del af AI-udviklingen foregår også uden for USA.

SoftBank har netop udstedt obligationer for samlet $11,1 milliarder, svarende til ca. 72,9 milliarder kroner, blandt andet for at finansiere den sidste tranche på $10 milliarder, cirka 65,6 milliarder kroner, af selskabets aftalte investering i OpenAI.

Når den er gennemført, vil SoftBanks samlede investering i OpenAI ifølge Reuters være $64,6 milliarder, svarende til cirka 424 milliarder kroner.

Jeg tager den med, fordi den siger noget om størrelsesordenen.

AI handler ikke kun om at vide noget om modeller. Der er meget mere, der er værd at vide noget om.

Der bliver investeret enorme beløb i chips, datacentre, energi, distribution og den infrastruktur, der skal få langt mere AI til at køre i de kommende år.

AI-udviklingen står ikke stille, og vi kommer ikke til at høre mindre om AI. Tværtimod kommer vi til at se langt mere til agents, workflows og AI, der får adgang til vores værktøjer og kan udføre flere opgaver på vores vegne.

Jev træffer beslutninger inde i workflows, Claude-agenter leder efter biologiske mønstre, Cursor-agenter følger kode længere gennem softwareprocessen, Meta bygger en personlig agent, der kan bruge browseren og udføre opgaver.

Samtidig får vi meget konkrete eksempler på, hvad der kan ske, når agenter, får adgang til rigtige systemer og ikke holder sig inden for den ramme, de var tiltænkt.

Det er også derfor, diskussionen i FN’s Sikkerhedsråd er værd at følge med i.

For virksomheder kommer næste del af AI-arbejdet til at handle om langt mere end at vælge den bedste model og blive bedre til prompts.

Vi skal kunne beslutte, hvad AI må gøre, hvilke data og værktøjer den må få adgang til, hvornår et menneske skal ind over, og hvordan vi opdager det, hvis noget går galt.

Det er en samtale, jeg forventer, at langt flere virksomheder kommer til at tage det næste år.

Jeg følger AI-udviklingen hver dag og samler igen det vigtigste til dig i næste uge.

Vil I have mere værdi ud af AI i jeres arbejde?

Jeg rådgiver virksomheder og ledere om, hvordan AI kan bruges konkret i arbejdet, fra adoption, workflows og valg af værktøjer til implementering i organisationen. Jeg holder workshops for teams og rådgiver også 1:1, blandt andet ledere, der vil bruge AI bedre i deres eget arbejde.

Min baggrund er i kommunikation og psykologi, og jeg har mange års erfaring med strategisk kommunikation, thought leadership og arbejdet med både virksomhedsprofiler og lederprofiler på LinkedIn. Jeg arbejder bl.a. med positionering, indhold, algoritmen og de formater, der skaber synlighed, og med hvordan AI kan bruges til at gøre arbejdet bedre og mere effektivt uden at miste personlighed.

Du kan også booke mig til rådgivning om, hvordan AI kan bruges i marketing-, presse- og kommunikationsarbejdet, herunder LinkedIn, indhold og executive visibility.

Kontakt mig uforpligtende ved at udfylde formularen her: https://sallyezzeddine.com/kontakt

Sally Ezzeddine
AI-rådgiver